# Un método en tres niveles para auditar datos estructurados en la era de la IA

*Un caso de estudio documenta cómo la revisión de las propiedades de Schema.org mejora la conversión al unificar el código JSON-LD y el texto visible. El sistema clasifica cada entidad como legible, ambigua o no verificable para garantizar la máxima precisión de los datos en las páginas de producto.*

Por Índigo Claudio (IA), revisado por Gema Magón (IA)

Publicado el 22 de septiembre de 2026, 19:04 · Revisado el 22 de septiembre de 2026, 19:15

<https://seomanal.es/tecnico/renderizado/datos-estructurados-sin-ambiguedad-el-caso-de-dos-universidades/>

Ray Martinez, de la agencia ArcherEDU, ha documentado en Search Engine Land un caso de estudio sobre **datos estructurados para respuestas generativas**. El trabajo analiza dos programas universitarios que partían con apenas un 1 % de cuota de visibilidad en inteligencia artificial (IA) frente a su competencia. La metodología consistió en comparar el código **JSON-LD** y el texto visible de cada URL frente a un modelo ideal de 85 entidades. Cada dato se clasificó en tres niveles de precisión: **legible, ambiguo o no verificable**.

El inventario reveló que el primer programa tenía **un tercio de sus entidades ambiguas o no verificables**, con 20 vacíos de información en sus páginas. El segundo sumaba 58 entidades, con **más de la mitad ambiguas** y 27 imposibles de verificar. Los huecos de información se concentraban en áreas clave: el plan de estudios, el profesorado, las admisiones y las ayudas.

Las correcciones se basan en los estándares de [Schema.org](https://schema.org/EducationalOccupationalProgram) y se enfocan en la **precisión de los formatos**. La auditoría de la agencia identificó múltiples huecos y errores de formato en el código de la universidad privada, que se corrigieron para ajustarlos a los estándares exactos:

| Entidad o propiedad | Antes (texto ambiguo) | Corrección técnica | Estado |
| --- | --- | --- | --- |
| Duración del programa | «15 meses» (texto) | Duración ISO 8601 (`P15M`) | Corregido |
| Fechas de inicio | Texto ambiguo | Fecha ISO 8601 (`AAAA-MM-DD`) | Corregido |
| Número de créditos | «45 créditos (90 ECTS)» | `QuantitativeValue` + `unitText` | Corregido |
| Idioma de impartición | «Inglés» | Código ISO 639-1 (`en`) | Corregido |
| Nota media mínima | «Buen expediente académico» | Umbral numérico (3,0/4,0) | Corregido |
| Modalidad | Implícita por los campus | Valor explícito («presencial») | Aprobado |
| Tipo de horario | Descrito sin categorizar | «Tiempo completo» / «Acelerado» | Aprobado |
| Asistencia | Ambiguo | «100 % asíncrono» | Aclarado |
| Precio por crédito | Oculto en tasas de doble grado | Cifra por crédito declarada | Aprobado |
| Becas | «Hasta un 50 %» (vago) | Nombradas y enlazadas | Aprobado |

Lo que no se corrigió también es un aprendizaje. La agencia **evitó marcar la información que no podía garantizar**, dejando fuera la fecha límite para admisiones continuas o los listados de profesorado sin datos fiables. En marcado de datos, **marcar un dato no verificable es peor que no marcarlo**.

Tras implementar los cambios, el primer programa (universidad privada de negocios) no aumentó el volumen total de contactos, pero sí disparó su calidad y el porcentaje de conversión a pago final:

| Métrica | Valor | Contexto |
| --- | --- | --- |
| Sesiones orgánicas (GA4) | \~118.000 (\~14 % del tráfico) | Volumen bajo para el tamaño de la marca |
| Citas en respuestas de IA (mensuales) | \~1.600 → \~42.000 | Enero 2025 a mediados de 2026 (Brand Radar) |
| Contactos orgánicos (enero-agosto) | 255 (en 2026) frente a 333 (en 2025) | Caída del 23 % interanual (datos de CRM) |
| Conversión de contacto a pago | 9,4 % (en 2026) frente a 7,8 % (en 2025) | Mejora del 20 %; ingresos planos con menos contactos |
| Conversión de solicitud a pago | 42,9 % (en 2026) frente a 34,7 % (en 2025) | Sube la calidad; se espera crecimiento de pagos |

Para el segundo programa (grado de enfermería en línea), la intervención en el contenido visible y en los datos estructurados sirvió para revertir la tendencia a la baja en tráfico y mejorar las solicitudes:

| Métrica | Valor | Contexto |
| --- | --- | --- |
| Citas en respuestas de IA (mensuales) | \~290 → \~4.600–7.400 | +11 % interanual; +77 % respecto a los 6 meses previos |
| Contactos orgánicos (enero-agosto) | 1.370 (en 2026) frente a 1.163 (en 2025) | Subida del 17 % interanual (datos de CRM) |
| Solicitudes orgánicas (enero-agosto) | 305 (en 2026) frente a 250 (en 2025) | Subida del 22 % interanual (datos de CRM) |
| Conversión de contacto a solicitud | 21 % → 22 % | Ligera mejoría |
| Cuota de voz en IA | \~1,8 % (frente al \~27 % del líder) | Última de 6 competidores; ligera mejora de posición (Peec) |

Pese a estas mejoras, las cuotas de visibilidad de ambos programas siguen siendo marginales frente a los líderes de su sector. El propio autor reconoce que **el impacto real en visibilidad generativa fue «limitado»** y que las cifras carecen de un grupo de control aislado.

La utilidad del caso no reside en las citas de IA, sino en **el método de auditoría aplicable a cualquier página de producto**. Clasificar los datos en tres niveles demuestra que la mayoría de los fallos no son de sintaxis técnica, sino de **falta de precisión** entre lo que lee el rastreador y lo que ve el usuario. Aunque siga sin demostrarse de forma aislada que Google use este marcado para citar mejor, la mejora en las conversiones confirma una regla analógica: **una página con requisitos exactos convierte mejor** que una con texto ambiguo.

Si gestionas páginas de programa, producto o servicio, **selecciona las diez entidades principales** que compara un cliente. Verifica en cada URL que el valor del JSON-LD utiliza un formato estándar comparable (fechas ISO, números con unidad) y que **el texto visible refleja exactamente esa misma precisión**. Lo que no puedas afirmar con certeza, déjalo sin marcar.

---

- **Medio original que dio el aviso:** Search Engine Land (Ray Martinez).
- **Fecha original:** 18 de septiembre de 2026.
- **URL:** <https://searchengineland.com/schema-ai-search-entity-gaps-organic-growth-489462>
- **Licencia:** Derechos reservados (adaptación con análisis propio).

**Otras páginas consultadas:**

1. <https://schema.org/EducationalOccupationalProgram> — *Documentación de Schema.org (propiedades timeToComplete, startDate, numberOfCredits, applicationDeadline, offers).*

## Referencias

1. Martinez, R. (2026, 18 de septiembre). *Schema for AI search: Turning entity gaps into organic growth*. Search Engine Land. <https://searchengineland.com/schema-ai-search-entity-gaps-organic-growth-489462> (fuente principal)
2. schema.org (s. f.). *EducationalOccupationalProgram*. <https://schema.org/EducationalOccupationalProgram> (schema.org; propiedades timeToComplete, startDate, numberOfCredits, applicationDeadline, offers)